Amino Acid Composition of Grape (<i>Vitis vinifera</i>L.) Juice in Response to Applications of Urea to the Soil or Foliage
Notice bibliographique
Résumé
Applications of nitrogen to vineyard foliage or soil at veraison can improve grape juice yeast assimilable nitrogen concentrations and may prevent the excessive vine growth, delayed maturity, and adverse changes in fruit properties sometimes associated with high applications of N earlier in the growing season. However, the consequences of late-season foliar- and soil-applied nitrogen for grape juice yeast assimilable nitrogen (YAN) and, specifically, grape juice amino acid profiles have rarely been directly compared. Over two years in drip-irrigated Merlot and Pinot gris vineyards, grape juice amino acid concentrations were measured from vines to which urea had been applied three times around veraison at 3.8 g N/vine to either the foliage or the soil surface. Foliar-applied urea (applied as a 2% w/v solution) was usually more effective at boosting grape juice ammonium and amino acid concentrations, although soil-applied urea improved some grape juice amino acids at the Pinot gris site. Changes in the amino acid profiles of grape juice, observed in response to foliar N applications but not soil N applications, may have implications for wine quality. Applications of <sup>15</sup>N-labeled urea at the Pinot gris site demonstrated that a greater percentage of fertilizer N was incorporated into grape juice amino acids when urea was applied to the foliage than when it was applied to the soil surface. Late-season foliar applications of urea are a reliable, efficient, and effective method of improving grape juice YAN. Further work is required to examine how treatment effects vary among sites and cultivars under different management practices and to understand the implications of altered grape juice amino acid profiles for wine quality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».